海归学者发起的公益学术平台
分享信息，整合资源
交流学术，偶尔风月
晶体结构在材料科学中起着重要的作用，是连接材料成分和性能的关键一环。材料学研究的一个重要部分就是探索成分-结构-性能(CSP)关系，这在传统上主要依赖于实验或计算。随着近年来人工智能(AI)的发展，通过AI来研究CSP关系有望节省大量的时间和成本。然而，现有的AI模型依赖于大量的有标签晶体结构数据进行训练，但由于已标注晶体结构数据的不足，限制了AI模型在探究CSP关系时的应用。
来自中国西安交通大学金属材料强度国家重点实验室的丁向东教授、宗洪祥教授及其团队，提出了一种创新性的结合自监督深度学习和概率图模型的自监督概率模型（SSPM）。SSPM的自监督学习部分从大量无标签晶体结构中学习知识，可获得含有物理信息的原子表示。通过五折交叉验证发现，SSPM学习的原子表示可显著提升下游机器学习模型的性能，其在公开材料学数据集中的平均表现均优于其他原子表示。此外，SSPM的概率模型部分可完成多项化合物晶体结构-成分关系的预测，主要包括：给定晶体结构和晶格参数时的化合物成分、给定晶体结构时的化合物成分、给定成分与晶体结构时的晶格参数。通过第一性原理计算验证发现，概率模型预测准确，平均绝对误差<0.002Å。利用SSPM的这两个功能，研究团队构造了筛选SMA的成分条件与结构条件。与仅包括成分条件的模型相比，引入结构条件后模型的查准率由33.33%上升到64.29%。在前50个预测结果中，有23个通过实验或理论验证为SMA。他们还发现了一个全新的SMA候选材料MgAu。这不仅展示了SSPM在发现形状记忆合金（SMA）方面的强大能力，还为晶体材料的设计提供了新的方向。
图1 SSPM框架图，结合自监督深度学习与概率图模型
图2 引入结构条件后，筛选效率极大提升
该文近期发表于npj Computational Materials 10,185(2024)，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。
Self-supervised probabilistic models for exploring shape memory alloys
Yiding Wang, Tianqing Li, Hongxiang Zong, Xiangdong Ding, Songhua Xu, Jun Sun & Turab Lookman
Recent advancements in machine learning (ML) have revolutionized the field of high-performance materials design. However, developing robust ML models to decipher intricate structure-property relationships in materials remains challenging, primarily due to the limited availability of labeled datasets with well-characterized crystal structures. This is particularly pronounced in materials where functional properties are closely intertwined with their crystallographic symmetry. We introduce a self-supervised probabilistic model (SSPM) that autonomously learns unbiased atomic representations and the likelihood of compounds with given crystal structures, utilizing solely the existing crystal structure data from materials databases. SSPM significantly enhances the performance of downstream ML models by efficient atomic representations and accurately captures the probabilistic relationships between composition and crystal structure. We showcase SSPM’s capability by discovering shape memory alloys (SMAs). Amongst the top 50 predictions, 23 have been confirmed as SMAs either experimentally or theoretically, and a previously unknown SMA candidate, MgAu, has been identified.
扩展阅读
